Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

Multimodal Imaging and Digital Pathology for Prostate Cancer Prediction

25. mai 2026 oppdatert av: Fubo Wang, Guangxi Medical University

A Multicenter Study of a Deep Learning Model Based on Spatial Registration of Multimodal Imaging and Digital Pathology for Predicting Clinically Significant Prostate Cancer

This is a multicenter observational study. A deep learning model integrated with multimodal imaging and digital pathology spatial registration is built based on preoperative multiparametric magnetic resonance imaging, transrectal ultrasound and postoperative digital pathological whole slide images. The study is designed to achieve accurate prediction of clinically significant prostate cancer and non-invasive risk stratification. Unnecessary prostate biopsy and overdiagnosis can be reduced to support the optimization of clinical diagnosis and treatment strategies.

Studieoversikt

Detaljert beskrivelse

This prospective and retrospective multicenter observational study enrolls patients with suspected prostate cancer who receive standardized preoperative multiparametric magnetic resonance imaging, transrectal ultrasound examination, followed by prostate biopsy or radical prostatectomy. Complete clinical data including age, BMI, prostate specific antigen indicators, PI-RADS v2.1 scores, Gleason score and ISUP grading are collected from all eligible participants.

Biomechanically constrained non-rigid spatial registration technique is applied to achieve precise alignment between preoperative multimodal images and postoperative digital pathological whole slide images using high-quality multicenter datasets. A transformer-based multimodal deep learning fusion model is developed to analyze correlations between macroscopic imaging features and microscopic pathological heterogeneity, thereby establishing an interpretable artificial intelligence framework for clinically significant prostate cancer prediction.

Comprehensive model validation is conducted via internal cross-validation, external multicenter independent verification and international public datasets. Decision curve analysis and clinical impact curve are applied to assess clinical applicability. The model serves as an intelligent auxiliary tool to refine biopsy strategies, avoid redundant puncture and excessive treatment, and facilitate early precise diagnosis and risk stratification of prostate cancer.

Studietype

Observasjonsmessig

Registrering (Antatt)

3000

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiekontakt

Studiesteder

    • Guangxi
      • Liuzhou, Guangxi, Kina, 545006
        • Rekruttering
        • Liuzhou People's Hospital Affiliated to Guangxi Medical University
        • Ta kontakt med:

Deltakelseskriterier

Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.

Kvalifikasjonskriterier

Alder som er kvalifisert for studier

  • Voksen
  • Eldre voksen

Tar imot friske frivillige

Nei

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

This is a prospective and retrospective multicenter cohort study. The study population consists of consecutive male subjects aged 40-90 years who are scheduled to undergo or have undergone prostate biopsy or radical prostatectomy, with complete standard-of-care preoperative multiparametric MRI (mpMRI), transrectal ultrasound (TRUS) images, and corresponding pathological diagnosis results. The collected data include:

  1. Preoperative mpMRI and TRUS images
  2. Digital whole-slide images of prostate biopsy specimens
  3. Digital whole-slide images of radical prostatectomy specimens (if performed) The prospective cohort will include newly enrolled subjects who provide written informed consent, while the retrospective cohort will include historical subjects with complete imaging, pathology slide, and clinical data from participating centers.

Beskrivelse

Inclusion Criteria:

  1. Subjects who are scheduled to undergo or have undergone prostate biopsy or radical prostatectomy.
  2. Subjects who have completed standard-of-care preoperative multiparametric MRI (mpMRI) and transrectal ultrasound (TRUS) examinations.
  3. Subjects with complete pathological diagnosis results available.
  4. Age between 40 and 90 years.
  5. Able and willing to provide written informed consent (for prospective cohort participants only).

Exclusion Criteria:

  1. Prior history of pelvic radiation therapy or radical prostatectomy.
  2. Incomplete or poor-quality mpMRI or TRUS images (e.g., motion artifacts, insufficient sequences).
  3. Concurrent other primary malignant tumors.
  4. Severe systemic diseases that may affect the evaluation of the prostate.
  5. Subjects with incomplete clinical or pathological data.
  6. Contraindications to MRI examination (e.g., incompatible metallic implants, severe claustrophobia).

Studieplan

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

Hvordan er studiet utformet?

Designdetaljer

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Area Under the Receiver Operating Characteristic Curve (AUC) for predicting clinically significant prostate cancer (csPCa)
Tidsramme: Baseline (at the time of imaging/pathology data collection)
The diagnostic performance of the multimodal deep learning model in predicting clinically significant prostate cancer using preoperative imaging data from this prospective and retrospective multicenter cohort. The AUC will be calculated to evaluate the model's discriminative ability.
Baseline (at the time of imaging/pathology data collection)

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

Etterforskere

  • Hovedetterforsker: Fubo Wang, MD, Guangxi Medical University

Publikasjoner og nyttige lenker

Den som er ansvarlig for å legge inn informasjon om studien leverer frivillig disse publikasjonene. Disse kan handle om alt relatert til studiet.

Generelle publikasjoner

Studierekorddatoer

Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.

Studer hoveddatoer

Studiestart (Faktiske)

30. mai 2025

Primær fullføring (Antatt)

30. juni 2030

Studiet fullført (Antatt)

31. desember 2030

Datoer for studieregistrering

Først innsendt

13. mai 2026

Først innsendt som oppfylte QC-kriteriene

25. mai 2026

Først lagt ut (Faktiske)

29. mai 2026

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

29. mai 2026

Siste oppdatering sendt inn som oppfylte QC-kriteriene

25. mai 2026

Sist bekreftet

1. mai 2026

Mer informasjon

Begreper knyttet til denne studien

Plan for individuelle deltakerdata (IPD)

Planlegger du å dele individuelle deltakerdata (IPD)?

NEI

IPD-planbeskrivelse

This study does not have a plan to share individual participant data due to institutional and ethical restrictions.

Legemiddel- og utstyrsinformasjon, studiedokumenter

Studerer et amerikansk FDA-regulert medikamentprodukt

Nei

Studerer et amerikansk FDA-regulert enhetsprodukt

Nei

Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .

Abonnere